Ποσοστά απόρριψης ανά οικογένεια μοντέλων
Κάθε ερώτηση που γράφεται για αυτόν τον ιστότοπο περνά από τους ίδιους ελέγχους, όποιο μοντέλο κι αν την έγραψε. Αυτό δείχνει πόσες από αυτές χάνει κάθε οικογένεια μοντέλων, τις τελευταίες 30 ημέρες, μαζί με το πλήθος από το οποίο μετριούνται τα ποσοστά.
Τα ποσοστά αυτά μετριούνται από το αρχείο κλήσεων, που τηρείται από τις 14 Σεπτεμβρίου 2026. Τα τρέχοντα σύνολα που τυπώνονται αλλού στον ιστότοπο μετρούν κάθε ερώτηση από τότε που άνοιξε ο ιστότοπος, στις 11 Σεπτεμβρίου 2026, οπότε τα δύο σύνολα νούμερων καλύπτουν διαφορετικές περιόδους και δεν προορίζονται να συμφωνούν μεταξύ τους.
Μετρημένο από έως : 2.459 κλήσεις δημιουργίας που επέστρεψαν 6.183 ερωτήσεις. Μια οικογένεια δημοσιεύεται μόλις επιστρέψει 200 ερωτήσεις στο διάστημα· κάτω από αυτό η σελίδα το λέει, αντί να δείχνει ποσοστό από μια χούφτα κλήσεις.
| Οικογένεια μοντέλων | Ερωτήσεις που γράφτηκαν | Το απόσπασμα δεν βρέθηκε στη σελίδα που αναφέρεται | Το δεύτερο μοντέλο διαφώνησε | Διπλότυπο | Ελάττωμα | Δεν ζητήθηκε ή ήρθε αργά | Αποδεκτές |
|---|---|---|---|---|---|---|---|
| qwen | 4,583 | 6.2% | 6.1% | 14.0% | 28.9% | 2.1% | 42.7% |
| deepseek | 503 | 14.3% | 3.0% | 2.4% | 11.5% | 2.0% | 66.8% |
| glm | 410 | 2.0% | 7.3% | 5.6% | 51.5% | 2.2% | 31.5% |
| nemotron | 393 | 3.1% | 0.5% | 2.5% | 53.9% | 1.3% | 38.7% |
| gpt-oss | 281 | 7.8% | 1.4% | 1.8% | 38.4% | 1.8% | 48.8% |
| openrouter-primary | 13 | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα |
| gemma | 0 | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα |
Ανά διαδρομή
Η δωρεάν διαδρομή τρέχει πρώτα το DeepSeek V4 Flash στο Cloudflare Workers AI, με άλλα μοντέλα ανοιχτών βαρών ως εφεδρεία. Η επί πληρωμή διαδρομή τρέχει τα μοντέλα προτεραιότητας: το DeepSeek V4 Pro γράφει και το Kimi K2,6 απαντά τυφλά. Και οι δύο διαδρομές περνούν τους ίδιους ελέγχους και μετριούνται και οι δύο εδώ, γι’ αυτό αυτή η σελίδα αφορά οικογένειες μοντέλων και όχι διαδρομές.
| Γραμμή | Ερωτήσεις που γράφτηκαν | Το απόσπασμα δεν βρέθηκε στη σελίδα που αναφέρεται | Το δεύτερο μοντέλο διαφώνησε | Διπλότυπο | Ελάττωμα | Δεν ζητήθηκε ή ήρθε αργά | Αποδεκτές |
|---|---|---|---|---|---|---|---|
| δωρεάν | 6,140 | 6.5% | 5.3% | 11.2% | 31.1% | 2.0% | 43.9% |
| επί πληρωμή | 43 | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα | ανεπαρκή δεδομένα |
Τι σημαίνει κάθε στήλη
- Ερωτήσεις που γράφτηκαν: ερωτήσεις που επέστρεψε το μοντέλο σε αναγνώσιμη απάντηση. Οι απαντήσεις που δεν μπόρεσαν να διαβαστούν ως JSON μετριούνται χωριστά στο CSV, ανά κλήση, επειδή δεν επέστρεψαν ερωτήσεις για να μετρηθούν.
- Το απόσπασμα δεν βρέθηκε στη σελίδα που δηλώθηκε: το αυτολεξεί απόσπασμα δεν υπήρχε στο αποθηκευμένο κείμενο της σελίδας που ονόμασε το μοντέλο, ή το μοντέλο δήλωσε σελίδα εκτός της ενότητας που του δόθηκε. Το CSV χωρίζει αυτά τα δύο.
- Το δεύτερο μοντέλο διαφώνησε: ένα μοντέλο από διαφορετική οικογένεια, στο οποίο δόθηκαν η ερώτηση και τα αποσπάσματά της αλλά ποτέ η σωστή απάντηση, διάλεξε άλλη απάντηση.
- Διπλότυπο: η ερώτηση επαναλάμβανε μία που είχε ήδη γίνει δεκτή από το ίδιο έγγραφο.
- Ελάττωμα: ένας δομικός ή ποιοτικός κανόνας την απέρριψε, για παράδειγμα ένα σύνολο επιλογών που προδίδει την απάντηση ή μια εκφώνηση χωρίς μία καλύτερη απάντηση. Αυτοί οι κανόνες είναι εκείνοι που τρέχει ο έλεγχος αδυναμιών ερωτήσεων πολλαπλής επιλογής στο πρόγραμμα περιήγησής σου.
- Δεν ζητήθηκε ή ήρθε αργά: η ερώτηση ήταν σωστή αλλά δεν έφτασε ποτέ σε φοιτητή. Είτε ήταν τύπος που δεν ζήτησε η εργασία (ερώτηση σύντομης απάντησης σε εργασία πολλαπλής επιλογής), είτε η εργασία γέμισε από άλλες κλήσεις όσο γραφόταν αυτή. Και τα δύο μετριούνται ώστε να βγαίνει το άθροισμα της γραμμής. Κανένα δεν μετράει εις βάρος του μοντέλου.
- Αποδεκτές: όσες πέρασαν όλους τους ελέγχους και έφτασαν σε φοιτητή.
Μέθοδος
Κάθε νούμερο εδώ προέρχεται από πραγματικές εργασίες σε αυτόν τον ιστότοπο. Γράφεται μία γραμμή ανά κλήση παρόχου, τη στιγμή που είναι γνωστό το αποτέλεσμα της κλήσης, και περιέχει μετρήσεις και τίποτε άλλο: κανένα κείμενο ερώτησης, κανένα κείμενο εγγράφου και κανέναν χρήστη. Οι μετρήσεις αποδίδονται στο μοντέλο που απάντησε πραγματικά, που δεν είναι πάντα το μοντέλο που ζήτησε η εργασία, επειδή η δεξαμενή στρέφεται σε άλλο μοντέλο όταν ένα έχει περιορισμό ρυθμού ή είναι αργό. Η απόδοση μιας εφεδρικής κλήσης στο μοντέλο που δεν έτρεξε θα δημοσίευε ένα νούμερο για λάθος μοντέλο.
Το παράθυρο είναι οι τελευταίες 30 ημέρες, ξαναμετριέται το πολύ δύο φορές την ώρα, και είναι ένα από τρία σταθερά παράθυρα. Τα ποσοστά είναι μερίδια των ερωτήσεων που επέστρεψε μια οικογένεια, και κάθε ερώτηση που επέστρεψε μια κλήση βρίσκεται σε ακριβώς μία από αυτές τις στήλες, οπότε μαζί με το μερίδιο των αποδεκτών αθροίζουν στο σύνολο. Μια κλήση που γύρισε σε εργασία η οποία είχε ήδη τελειώσει δεν γράφει καμία γραμμή: οι ερωτήσεις της δεν κοιτάχτηκαν ποτέ, και ένα μοντέλο που απάντησε αργά δεν είναι μοντέλο που απάντησε άσχημα. Μια οικογένεια με λιγότερες από 200 ερωτήσεις που επέστρεψε καταγράφεται ως ανεπαρκή δεδομένα, γιατί σε αυτό το μέγεθος μία κακή ενότητα μετακινεί ένα ποσοστό κατά αρκετές μονάδες.
Κατέβασε τα ίδια νούμερα ως CSV, ή διάβασέ τα ως JSON. Τα νούμερα δημοσιεύονται με την άδεια Creative Commons Attribution 4,0: χρησιμοποίησέ τα, παράθεσέ τα, και ανάφερε το MedUni Exam ως πηγή.
Ενημερώθηκε στις 24 Σεπτεμβρίου 2026.
Δημιούργησε ερωτήσεις από το δικό σου κεφάλαιο
Δεν χρειάζεται λογαριασμός για να το δοκιμάσεις. Η εγγραφή κρατά τη βιβλιοθήκη, τους βαθμούς και την ουρά επανάληψής σου σε όλες τις συσκευές.
Δημοσιεύτηκε , ενημερώθηκε .